姚 揚(yáng),秦海明,張志明,王偉民,周偉奇,4,5,*

1 中國(guó)科學(xué)院生態(tài)環(huán)境研究中心城市與區(qū)域生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室,北京 100085 2 云南大學(xué)生態(tài)與環(huán)境學(xué)院暨云南省高原山地生態(tài)與退化環(huán)境修復(fù)重點(diǎn)實(shí)驗(yàn)室,昆明 650091 3 深圳市環(huán)境監(jiān)測(cè)中心站,國(guó)家環(huán)境保護(hù)快速城市化地區(qū)生態(tài)環(huán)境科學(xué)觀測(cè)研究站,深圳 518049 4 中國(guó)科學(xué)院大學(xué),北京 100049 5 北京城市生態(tài)系統(tǒng)研究站,北京 100085

樹(shù)種多樣性是生態(tài)學(xué)研究的重要內(nèi)容。樹(shù)木的種類(lèi)和空間分布是生物多樣性保護(hù)、森林生態(tài)系統(tǒng)服務(wù)等研究的基本數(shù)據(jù)源[1—2],服務(wù)于森林資源保護(hù)與森林可持續(xù)性管理[2—3]。但傳統(tǒng)的森林清查和其他基于現(xiàn)場(chǎng)的數(shù)據(jù)采集很難獲取詳細(xì)的樹(shù)種空間分布信息[4—5]。衛(wèi)星遙感數(shù)據(jù)在樹(shù)種分布研究中盡管已成功應(yīng)用,但由于其較低的空間分辨率和光譜分辨率,精度普遍較低[6—7]。無(wú)人機(jī)近地面遙感技術(shù)可以采集得到具有更多信息量的數(shù)據(jù),如可見(jiàn)光數(shù)據(jù)、高光譜數(shù)據(jù)、激光雷達(dá)數(shù)據(jù)(Light Detection And Ranging,LiDAR)等,并對(duì)應(yīng)提取分類(lèi)特征[4—5,8],從而實(shí)現(xiàn)樹(shù)種分類(lèi)精度的提升[9—10]。

目前基于無(wú)人機(jī)數(shù)據(jù)的樹(shù)種分類(lèi)研究已經(jīng)在溫帶森林取得一定研究成果,分類(lèi)精度較高。如Huang等基于高光譜數(shù)據(jù)對(duì)中國(guó)9個(gè)北方樹(shù)種進(jìn)行分類(lèi),分類(lèi)精度高達(dá)95.7%[8]。Prosek等基于可見(jiàn)光紋理信息和多光譜信息對(duì)捷克溫帶森林中6個(gè)植物種進(jìn)行分類(lèi),精度為88.2%[11]。Beyer等基于多光譜植被指數(shù)、可見(jiàn)光紋理以及熱紅外冠層溫度特征,對(duì)溫帶9類(lèi)樹(shù)種進(jìn)行分類(lèi),制圖精度達(dá)到89.0%[12]。而熱帶、亞熱帶森林由于其豐富的物種多樣性,一直是生態(tài)學(xué)研究的重點(diǎn)區(qū)域,但其林分條件復(fù)雜,樹(shù)冠茂密,物種眾多,一直難以獲得較高精度的樹(shù)種分類(lèi)結(jié)果,如Féret和Asner基于高光譜影像對(duì)夏威夷森林的9個(gè)樹(shù)種開(kāi)展分類(lèi),精度僅為70%[13],Sothe等用高光譜波段分類(lèi)巴西亞熱帶森林的12種樹(shù)種,最高精度為72.3%[14]。盡管部分學(xué)者獲得了較高精度的制圖結(jié)果[3,15],但分類(lèi)樹(shù)種數(shù)相對(duì)偏少。多樹(shù)種的熱帶、亞熱帶森林的分類(lèi)精度提升一直是一個(gè)難點(diǎn)。

本實(shí)驗(yàn)利用可見(jiàn)光、高光譜、LiDAR等多源無(wú)人機(jī)遙感數(shù)據(jù),基于機(jī)器學(xué)習(xí)的方式和特征融合的理念探究無(wú)人機(jī)遙感多源數(shù)據(jù)在亞熱帶林分條件下的樹(shù)種分類(lèi)潛力,分析機(jī)器學(xué)習(xí)分類(lèi)器、不同數(shù)據(jù)源、不同分類(lèi)特征等分類(lèi)過(guò)程與方法對(duì)分類(lèi)精度的影響,為亞熱帶森林高精度分類(lèi)制圖提供經(jīng)驗(yàn)和例證。

1 數(shù)據(jù)與方法

1.1 研究區(qū)

研究區(qū)位于深圳市坪山區(qū)馬巒山(114.4083°—114.4133°E,22.6886°—22.6931°N),平均海拔100m,海拔梯度較大。該區(qū)域的氣候類(lèi)型是亞熱帶海洋性氣候,土壤類(lèi)型為砂壤土,主要植被類(lèi)型是熱帶植被和亞熱帶植被。研究區(qū)內(nèi)植物種類(lèi)較多,包括馬占相思(Acaciamangium)、木荷(Schimasuperba)等樹(shù)種、紅茅草(Rhynchelytrumrepens)、芒萁(Dicranopterispedata)等草本植物。研究區(qū)位置及正射影像見(jiàn)圖1。

圖1 研究區(qū)Fig.1 Study area

1.2 影像采集及樹(shù)種調(diào)查

本研究數(shù)據(jù)采集于2019年8月5日,當(dāng)日晴朗無(wú)風(fēng),陽(yáng)光充足。航線的航向重疊度設(shè)置為65%,旁向重疊度設(shè)置為80%,以確保圖像的多視圖和清晰的表面特征。傳感器及數(shù)據(jù)信息見(jiàn)表1。

表1 數(shù)據(jù)信息Table 1 Data information

在飛行區(qū)域均勻布設(shè)控制點(diǎn),通過(guò)架設(shè)實(shí)時(shí)動(dòng)態(tài)全球定位系統(tǒng)(RTK-GPS),測(cè)量并記錄控制點(diǎn)的經(jīng)緯度和高程信息,用于后續(xù)對(duì)可見(jiàn)光、高光譜影像進(jìn)行幾何校正和絕對(duì)坐標(biāo)系配準(zhǔn)。實(shí)地樹(shù)種調(diào)查主要包括樣地內(nèi)樹(shù)種信息、優(yōu)勢(shì)種信息以及經(jīng)緯度信息。

1.3 數(shù)據(jù)預(yù)處理及分類(lèi)特征提取

1.3.1可見(jiàn)光數(shù)據(jù)

可見(jiàn)光影像的處理主要包括兩個(gè)過(guò)程,一是利用運(yùn)動(dòng)恢復(fù)算法SfM(Structure from Motion)完成稀疏點(diǎn)云匹配和重建,二是根據(jù)多視立體視覺(jué)算法MvS(Multi-view Stereo)生成稠密點(diǎn)云[16—17]。在此基礎(chǔ)上通過(guò)克里金插值生成研究區(qū)的格網(wǎng)和紋理,最后獲得正射影像。根據(jù)正射影像計(jì)算其紋理特征,具體包括均值、方差、協(xié)同性等。

1.3.2高光譜數(shù)據(jù)

高光譜數(shù)據(jù)依次進(jìn)行輻射校正,反射校正,幾何校正等預(yù)處理工作,以去除干擾,提高影像幾何精度,并將原始影像的DN值轉(zhuǎn)換為反射率[3,8],之后對(duì)相鄰條帶做影像配準(zhǔn)后再進(jìn)行鑲嵌拼接[18]?；诟吖庾V影像提取最小噪聲變換(Minimum Noise Fraction Rotation,MNF)分量[8,19]和窄帶植被指數(shù)[20],以實(shí)現(xiàn)高光譜影像降維,并反映植物冠層光譜信息的差異。具體選取包括代表葉面積和冠層結(jié)構(gòu)[21—23],葉和冠層色素[22,24—25],植物脅迫[26—27]和光能利用效率[28—30]等20余個(gè)窄帶植被指數(shù)。

1.3.3Lidar數(shù)據(jù)

LiDAR點(diǎn)云數(shù)據(jù)基于去噪、濾波等預(yù)處理,消除噪聲干擾,并區(qū)分地面點(diǎn)和非地面點(diǎn)?；诘孛纥c(diǎn)平均高程生成數(shù)字高程模型(Digital Elevation Model,DEM)[31],之后利用非地面點(diǎn)生成數(shù)字表面模型(Digital Surface Model,DSM)[32],二者做差即為冠層高度模型(Canopy Height Model,CHM)[9,33]。此外,為進(jìn)一步挖掘不同樹(shù)種的結(jié)構(gòu)特征,在分類(lèi)軟件中計(jì)算點(diǎn)云高度分位數(shù),均值,眾數(shù)等特征。

1.4 樣本選取

根據(jù)實(shí)地樹(shù)種調(diào)查的點(diǎn)位信息,手動(dòng)勾畫(huà)樣本,按照7:3的比例將70%的樣本用于樹(shù)種分類(lèi),30%用于分類(lèi)后檢驗(yàn)。分類(lèi)樣本各類(lèi)型數(shù)量見(jiàn)表2。

表2 分類(lèi)樣本數(shù)量統(tǒng)計(jì)表Table 2 The quantity of the classification samples

1.5 分類(lèi)方法與精度評(píng)價(jià)

1.5.1分類(lèi)方法

本研究使用面向?qū)ο蟮姆诸?lèi)范式將影像分割為有意義的對(duì)象,分割方法為多尺度分割,使用所有特征參與分割[34—35],并基于ESP插件來(lái)選取最適分割參數(shù)[36—37]。通過(guò)ESP結(jié)果和目視檢查,最終光譜帶的權(quán)重為1,CHM的權(quán)重設(shè)置為5,分割尺度設(shè)置為15,形狀指數(shù)設(shè)置為0.3,緊湊度設(shè)置為0.5。

計(jì)算每個(gè)分割對(duì)象的紋理、植被指數(shù)、結(jié)構(gòu)等分類(lèi)特征,點(diǎn)云高度分位數(shù)和眾數(shù)的計(jì)算公式如下

(n-1)×p=i+j,Hp=(1-j)×Hi+1+j×Hi+2

(1)

式中,n為區(qū)域內(nèi)點(diǎn)云個(gè)數(shù),p為分位數(shù)比率,i,j為計(jì)算結(jié)果的整數(shù)和小數(shù)部分,Hp為高度分位數(shù),Hi+1、Hi+2為區(qū)域內(nèi)點(diǎn)云高度排序后的第i+1、i+2個(gè)點(diǎn)云的高度。

HMode=Hmean-3×(Hmean-H50%)

(2)

Hmode是點(diǎn)云高度眾數(shù),Hmean是點(diǎn)云高度均值,H50%是點(diǎn)云高度中位數(shù)。

本研究選擇機(jī)器學(xué)習(xí)中較為常用的四個(gè)分類(lèi)器,隨機(jī)森林(Random Forests,RF)、支持向量機(jī)(Support Vector Machine,SVM)、貝葉斯(Bayes)以及K最近鄰(K-Nearest Neighbor,KNN)來(lái)探究不同分類(lèi)器對(duì)分類(lèi)精度的影響,參數(shù)設(shè)置見(jiàn)表3。

表3 各分類(lèi)器優(yōu)缺點(diǎn)及參數(shù)設(shè)置Table 3 Advantages and disadvantages of each classifier and parameter settings

1.5.2精度評(píng)價(jià)

利用總體精度Overall accuracy(OA)和Kappa系數(shù)評(píng)估分類(lèi)模型總體準(zhǔn)確性和可靠性?；贔1分?jǐn)?shù)(生產(chǎn)者精度和用戶(hù)精度的調(diào)和平均數(shù))來(lái)評(píng)估特定類(lèi)別的分類(lèi)性能。

Z統(tǒng)計(jì)量被用來(lái)檢驗(yàn)兩個(gè)分類(lèi)混淆矩陣之間的差異性,進(jìn)而表征不同方法間的統(tǒng)計(jì)學(xué)差異,其計(jì)算公式為

(3)

式中,k1,k2為混淆矩陣,var(k1)和var(k2)代表混淆矩陣的方差。

基于總體分類(lèi)精度及各類(lèi)別的F1分?jǐn)?shù),對(duì)四個(gè)分類(lèi)器的效能和分類(lèi)精度進(jìn)行評(píng)價(jià)。

1.5.3分類(lèi)模型與特征重要性

在最優(yōu)分類(lèi)器下,將可見(jiàn)光、高光譜、LiDAR數(shù)據(jù)按照單數(shù)據(jù)源、雙數(shù)據(jù)源以及多數(shù)據(jù)源的方式,構(gòu)建分類(lèi)模型,并比較其總體分類(lèi)精度和Kappa系數(shù),判定基于不同數(shù)據(jù)源模型的分類(lèi)精度差異。之后基于精度最高的分類(lèi)模型,重新排列分類(lèi)特征的順序或逐級(jí)加入分類(lèi)特征,通過(guò)測(cè)量每種特征對(duì)模型預(yù)測(cè)準(zhǔn)確率的影響,計(jì)算所有分類(lèi)特征的重要值。

2 結(jié)果

2.1 分類(lèi)器精度比較

各分類(lèi)器的分類(lèi)精度和Z統(tǒng)計(jì)值結(jié)果見(jiàn)表4,總體精度從高到低的排序?yàn)镽F、SVM、Bayes、KNN,四者的總體精度均存在顯著差異。其中精度最低的KNN分類(lèi)器,OA和Kappa系數(shù)低于0.9,另三種分類(lèi)器的OA和Kappa系數(shù)則均高于0.9。

表4 各分類(lèi)器精度Table 4 The accuracies of all classifiers

各分類(lèi)器的分類(lèi)結(jié)果見(jiàn)圖2,圖中可以看到KNN分類(lèi)器的分類(lèi)結(jié)果較其他有較大差別,另三個(gè)分類(lèi)器的分類(lèi)趨勢(shì)和圖斑分布則相對(duì)較為一致。

圖2 不同分類(lèi)器分類(lèi)結(jié)果Fig.2 Classification results of different classifiersRF：隨機(jī)森林,Random Forests；SVM：支持向量機(jī),Support Vector Machine；Bayes：貝葉斯,KNN：K最近鄰,K-Nearest Neighbor

各樹(shù)種的F1分?jǐn)?shù)結(jié)果見(jiàn)圖3,不同分類(lèi)器對(duì)不同樹(shù)種的響應(yīng)情況不同,基于RF分類(lèi)器的各樹(shù)種F1分?jǐn)?shù)表現(xiàn)最好,除黃槿之外,其余類(lèi)別的F1分?jǐn)?shù)均高于0.9。其他分類(lèi)器的各樹(shù)種精度差異較大,精度最低的KNN分類(lèi)器,除紅茅草,馬占相思外其余樹(shù)種F1分?jǐn)?shù)均低于0.9。Bayes和SVM分類(lèi)器中的部分樹(shù)種F1分?jǐn)?shù)雖高于RF,但精度較RF低的類(lèi)別更多,尤其是芒草和小葉榕,其分類(lèi)精度顯著低于RF分類(lèi)器。綜上,RF分類(lèi)器的分類(lèi)效果最好。

圖3 不同分類(lèi)器各樹(shù)種F1分?jǐn)?shù)Fig.3 F1 score of each tree species of the different classifiers

2.2 多源數(shù)據(jù)精度貢獻(xiàn)

基于RF分類(lèi)器的多源數(shù)據(jù)模型精度差異如表5,各數(shù)據(jù)源和模型之間的顯著性檢驗(yàn)結(jié)果見(jiàn)表6。當(dāng)使用單一數(shù)據(jù)源時(shí),總體精度和Kappa系數(shù)從高到低的排序分別為高光譜數(shù)據(jù)、LiDAR數(shù)據(jù)、可見(jiàn)光數(shù)據(jù),且三者之間的差異極顯著。說(shuō)明三種數(shù)據(jù)所含信息量的高低排序分別為豐富的光譜信息,結(jié)構(gòu)信息和可見(jiàn)光紋理信息。

表5 多源數(shù)據(jù)模型精度差異Table 5 The accuracies of different models

表6 多源數(shù)據(jù)模型Z統(tǒng)計(jì)量Table 6 The Z-statistics of different models

從雙數(shù)據(jù)源看,可見(jiàn)光結(jié)合LiDAR數(shù)據(jù)的分類(lèi)精度分別從74.66%、77.45%提升至87.68%(表5),差異極顯著,高于單獨(dú)使用高光譜數(shù)據(jù)的分類(lèi)精度(0.35%)。而高光譜再結(jié)合可見(jiàn)光、LiDAR數(shù)據(jù),精度將進(jìn)一步分別提升3.09%和6.1%,達(dá)到90.42%和93.43%,且差異極顯著。而當(dāng)使用全部數(shù)據(jù)源的時(shí)候,較高光譜與LiDAR結(jié)合時(shí),精度提升2.2%達(dá)到最高(95.63%),但差異不顯著(Z=1.504)。高光譜與LiDAR結(jié)合的模型便可較好地區(qū)分各樹(shù)種,引入可見(jiàn)光紋理數(shù)據(jù)并未顯著提高分類(lèi)精度。

不同分類(lèi)特征的重要性結(jié)果如圖4。重要性最大的是結(jié)構(gòu)特征,包括點(diǎn)云高度特征、DEM、CHM等,其次是植被指數(shù),如改進(jìn)光化學(xué)反射指數(shù)(Modified Photochemical Reflectance Index,MPRI),葉綠素含量指數(shù)(Datt Chlorophyll Content Index,Datt),紅邊指數(shù)(Red Edge Index,REI),調(diào)整植被指數(shù)(Soil-Adjusted Vegetation Index,SAVI),花青素含量指數(shù)1(Anthocyanin Content Index1,ACI1)等。紋理特征和MNF的前五分量重要性相對(duì)較低。其中,綠光波段的紋理特征的重要性要高于紅光和藍(lán)光,而隨著分量維數(shù)的增加,MNF的前五分量重要性逐漸下降,可見(jiàn)最小噪聲變換分量在對(duì)高光譜數(shù)據(jù)降維的同時(shí)會(huì)損失較多信息量,在亞熱帶森林分類(lèi)過(guò)程中難以體現(xiàn)優(yōu)勢(shì)。

圖4 分類(lèi)特征重要性Fig.4 The importance of different classification featuresDEM:數(shù)字高程模型,Digital elevation model;Height_mean:冠層高度均值,Mean canopy height;Height_95%:冠層高度95%分位數(shù),The 95% quantile of the canopy height;Height_90%:冠層高度90%分位數(shù),The 90% quantile of the canopy height;CHM:冠層高度模型,Canopy height model;MPRI:改進(jìn)光化學(xué)反射指數(shù),Modified Photochemical Reflectance Index;Datt:葉綠素含量指數(shù),Datt Chlorophyll Content Index;REI:紅邊指數(shù),Red Edge Index;SAVI:調(diào)整植被指數(shù),Soil-Adjusted Vegetation Index;ACI1:花青素含量指數(shù)1,Anthocyanin Content Index 1;Vog2:Vog植被指數(shù)2,Vogelmann Red Edge Index 2;PPR:植物色素比,Plant Pigment Ratio;Green_mean:綠光波段均值,The mean value of green band;GI:綠度指數(shù),Green Index;NDVI:歸一化植被指數(shù),Normalized Difference Vegetation Index;MRESRI:改進(jìn)紅邊比值植被指數(shù),Modified Red Edge Simple Ratio Index;SIPI:結(jié)構(gòu)不敏感色素指數(shù),Structure Insensitive Pigment Index;Red_entropy:紅光波段信息熵,The entropy of red band;Green_correlation:綠光波段相關(guān)性,The correlation of green band;MNDVI:改進(jìn)型歸一化紅邊植被指數(shù),Modified Red Edge Normalized Difference Vegetation Index;B550:550nm處波段值,The band value of 550nm;Green_homogeneity:綠光波段協(xié)同性,The homogeneity of green band;ARI2:花青素反射指數(shù)2,Anthocyanin Reflectance Index 2;Blue_correlation:藍(lán)光波段相關(guān)性,The correlation of blue band;Blue_ second moment:藍(lán)光波段二階矩,The second moment of blue band;Red_homogeneity:紅光波段協(xié)同性,The homogeneity of red band;Grenn_entropy:綠光波段信息熵,The entropy of green band;PSSR:特異性色素簡(jiǎn)單比值指數(shù),Pigment-Specific Simple Ratio;Red_dissmilarity;紅光波段相異性,The dissmilarity of red band;Red_mean:紅光波段均值,The mean value of red band;Blue_homogeneity:藍(lán)光波段協(xié)同性,The homogeneity of blue band;Green_contrast:綠光波段對(duì)比度,The contrast of green band;Blue_entropy:藍(lán)光波段信息熵,The entropy of blue band;B660-740:660—740nm處均值,The mean value of 660—740nm;RI2:比值植被壓力指數(shù)2.Ratio Index 2;Height_mode:冠層高度眾數(shù),The mode of the canopy height;Blue_variance:藍(lán)光波段標(biāo)準(zhǔn)差,The variance of blue band;PSI:植物壓力指數(shù),Plant Stress Index;Blue_dissimilarity:藍(lán)光波段相異性,The dissimilarity of blue band;Red_variance:紅光波段標(biāo)準(zhǔn)差,The variance of red band;CI2:葉綠素指數(shù)2,Chlorophyll Index 2;Red_contrast:紅光波段對(duì)比度,The contrast of red band;Green_ dissimilarity:綠光波段相異性,The dissimilarity of green band;Green_ second moment:綠光波段二階矩,The correlation of green band;RVSI:紅邊植被壓力指數(shù),Red Edge Vegetation Pressure Index;Green_variance:綠光波段標(biāo)準(zhǔn)差,The variance of green band;SR:紅邊斜率,The slope of red edge;Blue_mean:藍(lán)光波段均值,The mean value of blue band;EVI:增強(qiáng)型植被指數(shù),Enhanced Vegetation Index;MNF1:最小噪聲分離變換分量1,The first component of the Minimum Noise Fraction Rotation;MNF2:最小噪聲分離變換分量2,The second component of the Minimum Noise Fraction Rotation;Blue_contrast:藍(lán)光波段對(duì)比度,The contrast of blue band;Red_ second moment:紅光波段二階矩,The second moment of red band;B750:750nm處波段值,The band value of 750nm;MNF3:最小噪聲分離變換分量3,The 3th component of the Minimum Noise Fraction Rotation;MNF4:最小噪聲分離變換分量4,The 4th component of the Minimum Noise Fraction Rotation;MNF5:最小噪聲分離變換分量5,The 5th component of the Minimum Noise Fraction Rotation

3 討論

3.1 樹(shù)種分類(lèi)精度

對(duì)于分類(lèi)器,本研究證明在亞熱帶林分條件下,RF分類(lèi)器的總體精度和單類(lèi)樹(shù)種分類(lèi)精度均為最高,雖然不同分類(lèi)器在不同情境下的表現(xiàn)力存在一定差異[38—39],但RF分類(lèi)器具有較好的先天優(yōu)勢(shì),其對(duì)參數(shù)設(shè)置不敏感,可以在多物種數(shù)分類(lèi)過(guò)程中獲得較高的精度,在各種樹(shù)種配置條件下均有較高的分類(lèi)適用性[39]。

對(duì)于數(shù)據(jù)源,高光譜影像在熱帶亞熱帶樹(shù)種分類(lèi)過(guò)程中的應(yīng)用前景較好[13—14]。本研究中只基于高光譜數(shù)據(jù)的模型,總體精度即達(dá)到87.33%。各類(lèi)別的光譜曲線如圖5。

圖5 各類(lèi)別光譜曲線圖Fig.5 Spectral curves of each category

不同類(lèi)別間存在較明顯差異,唯獨(dú)馬占相思和木荷,陰香和芒草之間存在一定的曲線重疊和波形相似。而窄帶植被指數(shù)的使用顯著放大了各類(lèi)別間的差異,只基于高光譜窄帶植被指數(shù)數(shù)據(jù)即可達(dá)到86.24%的分類(lèi)精度,而只基于MNF變換分量的模型分類(lèi)精度極低,僅為50.34%。雖然二者結(jié)合使精度提升1.09%(87.33%),但引入MNF數(shù)據(jù)前后的差異并不顯著,因此降維后的數(shù)據(jù)會(huì)損失較多信息量,MNF數(shù)據(jù)的重要性和價(jià)值有待進(jìn)一步探究。后續(xù)研究應(yīng)進(jìn)一步挖掘高光譜信息特征,嘗試使用原始波段信息,而不是降維后的數(shù)據(jù)。

單獨(dú)使用LiDAR或可見(jiàn)光數(shù)據(jù)得到的分類(lèi)精度均不足80%,說(shuō)明單一的紋理或結(jié)構(gòu)信息均不足以作為分類(lèi)的解釋因子。但基于二者融合后的數(shù)據(jù),分類(lèi)精度提升至87.68%,精度提升則主要?dú)w因于LiDAR的結(jié)構(gòu)信息[40]。高光譜數(shù)據(jù)結(jié)合LiDAR、可見(jiàn)光影像數(shù)據(jù),其中的紋理信息和結(jié)構(gòu)信息可以幫助區(qū)分具有相似光譜特征但冠層高度、冠層大小不同的物種[3,41],能夠顯著提高分類(lèi)精度,較單獨(dú)的高光譜數(shù)據(jù)整體精度提高了8.3%。全特征模型與高光譜+LiDAR模型之間無(wú)顯著差異,因此高光譜和LiDAR雙數(shù)據(jù)源的結(jié)合提供了最主要的信息量,而在此基礎(chǔ)上引入可見(jiàn)光紋理數(shù)據(jù)不會(huì)對(duì)分類(lèi)結(jié)果產(chǎn)生顯著影響。

3.2 分類(lèi)特征的重要性

排名靠前的分類(lèi)特征的重要性占比如圖6,在所有分類(lèi)特征中,前15個(gè)分類(lèi)特征的重要性之和超過(guò)60%,其中前5個(gè)都是結(jié)構(gòu)特征,分別是DEM,高度均值、高度95%分位數(shù),高度90%分位數(shù),CHM。第6—15位中,窄帶植被指數(shù)占到9個(gè),紋理特征中重要性最高的為綠光波段均值,排第十三位。

圖6 重要性前15的分類(lèi)特征Fig.6 The top 15 of the classification features

本研究中各樹(shù)種DEM和CHM均值情況見(jiàn)圖7,樣地內(nèi)的各樹(shù)種分布區(qū)域的DEM差異顯著,存在較為明顯的地帶性分布,各樹(shù)種之間的高度存在顯著差異。因此在分類(lèi)特征重要性排序上DEM和結(jié)構(gòu)分類(lèi)特征的重要性較高,與其他研究結(jié)果較為一致[12]。而部分研究也證明當(dāng)使用所有分類(lèi)特征時(shí),LiDAR數(shù)據(jù)得出的分類(lèi)特征比高光譜特征對(duì)物種準(zhǔn)確預(yù)測(cè)的貢獻(xiàn)更大[42],但結(jié)合不同傳感器的分類(lèi)精度結(jié)果,高光譜數(shù)據(jù)仍然是保證分類(lèi)精度的最主要數(shù)據(jù)源。

不同植物在550nm附近的綠光波段和700—1000nm的近紅外波段,反射峰存在顯著差異,且后者的反射峰對(duì)植物分析十分重要[12,43]。本研究中重要性排名靠前的窄帶植被指數(shù),如改進(jìn)光化學(xué)反射指數(shù),花青素含量指數(shù),植物色素比屬于綠光譜段的植被指數(shù),其余六個(gè)均屬于700—1000nm的波譜范圍或含有該譜段的信息(圖6)。而紋理信息中重要性排名最前的也是綠光波段的均值(圖6)。

此外9個(gè)最重要的植被指數(shù)中,改進(jìn)光化學(xué)指數(shù)屬于反映光能利用效率的植被指數(shù),其在判定芽期樹(shù)種發(fā)揮著重要作用[42]。而葉綠素含量指數(shù)、紅邊指數(shù)、花青素含量指數(shù)等均屬于反映葉和冠層色素的植被指數(shù),調(diào)整植被指數(shù)、歸一化植被指數(shù)屬于反映葉面積和冠層結(jié)構(gòu)的植被指數(shù),均可反映植物生長(zhǎng)狀況的差異[8,21,25]。

3.3 存在不足與展望

本實(shí)驗(yàn)尚存在一定的不足,主要在于亞熱帶林分條件下,受限于采集樣本的數(shù)量,為避免維數(shù)陷阱,無(wú)法充分利用高光譜數(shù)據(jù)光譜信息,而是參照Huang等[8]的處理,使用了MNF變換分量和多種窄帶植被指數(shù),實(shí)際結(jié)果表明MNF分量難以代表原數(shù)據(jù),而植被指數(shù)雖然突出了不同樹(shù)種間的差異,但尚無(wú)法體現(xiàn)不同樹(shù)種的光譜特征。對(duì)于更大范圍更多種數(shù)的亞熱帶熱帶森林制圖,仍需對(duì)高光譜特征進(jìn)行深入挖掘,對(duì)應(yīng)樹(shù)種建立特征庫(kù)。其次在實(shí)驗(yàn)方法上,部分研究已成功基于可見(jiàn)光影像和深度學(xué)習(xí)實(shí)現(xiàn)高精度的溫帶樹(shù)種分類(lèi)[16,44],而在亞熱帶森林,受限于樣本庫(kù)的容量,這方面的研究仍然較少,后續(xù)對(duì)于林分條件更為復(fù)雜的區(qū)域,可基于多源數(shù)據(jù)融合的手段基于深度學(xué)習(xí)的方法實(shí)現(xiàn)更高精度的樹(shù)種分類(lèi)。

4 結(jié)論

本研究探討了可見(jiàn)光、高光譜、LiDAR等多源無(wú)人機(jī)近地面遙感數(shù)據(jù)在亞熱帶森林中樹(shù)種分類(lèi)的潛力,發(fā)現(xiàn)基于機(jī)器學(xué)習(xí)和利用多源數(shù)據(jù)可以實(shí)現(xiàn)多樹(shù)種的分類(lèi)精度的提高。隨機(jī)森林分類(lèi)器分類(lèi)精度最高,總體精度為95.63%,Kappa系數(shù)為0.948,除黃槿外,其余各類(lèi)別的F1分?jǐn)?shù)均高于90%。利用多源數(shù)據(jù)可以顯著提高分類(lèi)精度,全特征模型精度最高,較單獨(dú)使用高光譜數(shù)據(jù)提升了8.3%,且高光譜和LiDAR數(shù)據(jù)顯著影響全特征模型分類(lèi)精度,可見(jiàn)光紋理數(shù)據(jù)作用較小。眾多分類(lèi)特征中,重要性從大到小排序?yàn)榻Y(jié)構(gòu)特征,DEM數(shù)據(jù),植被指數(shù),空間紋理和MNF分量。且紋理和MNF特征在亞熱帶林分下,無(wú)法有效對(duì)樹(shù)種進(jìn)行區(qū)分,而MNF降維后的數(shù)據(jù)會(huì)損失較多信息量,高光譜數(shù)據(jù)應(yīng)重點(diǎn)挖掘原波段信息。